Benford’s Law is a mathematical pattern concerning the frequency of the first significant digits in many sets of naturally occurring numerical data. It states that the first digits are not distributed equally. Numbers beginning with 1 appear much more frequently than numbers beginning with 9.
The “first significant digit” means the first non-zero digit when reading a number from left to right. For example, the first significant digit of 12,500 is 1, the first significant digit of 786 is 7, and the first significant digit of 0.0048 is 4. Zeros before the first non-zero digit are ignored.
Under Benford’s Law, the probability that a number begins with digit (d) is:
P(d)=\log_{10}\left(1+\frac{1}{d}\right)
Consequently, approximately 30.1% of numbers are expected to begin with 1, 17.6% with 2, 12.5% with 3, and progressively smaller proportions with higher digits. Only approximately 4.6% are expected to begin with 9. This differs significantly from the intuitive assumption that each digit from 1 to 9 should appear approximately one-ninth of the time.
The pattern was first observed by Simon Newcomb in 1881 and later studied in greater depth by Frank Benford in 1938. Benford examined approximately 20,000 numbers from different fields and documented the logarithmic distribution now commonly associated with his name.
A simplified explanation is that many business numbers grow, accumulate, or combine proportionately rather than increasing by equal fixed amounts. A number must travel through the entire range from 1,000 to 1,999 before its first digit changes from 1 to 2, while the proportional range represented by numbers beginning with 9 is much narrower. This creates a natural tendency for smaller leading digits to appear more frequently.
Benford’s Law is also scale-invariant. A suitable population that follows the pattern should continue to display a similar distribution whether amounts are measured in baht, thousands of baht, US dollars, or another consistently converted unit. However, the law is not universal, and not every accounting population should be expected to follow it.
In auditing, Benford’s Law is used as a form of digital analysis to compare the actual frequency of digits in a transaction population with the expected frequency. Significant deviations may direct the auditor toward accounts, suppliers, employees, locations, periods, or users that require further investigation.
The technique may be useful for analysing supplier invoices, customer billings, expense claims, journal entries, purchasing transactions, accounts receivable, accounts payable, revenue, operating expenses, and inventory movements. These populations often contain amounts produced by combinations of quantities, prices, rates, discounts, timing, and commercial activities. Accounting research has demonstrated that Benford analysis can assist auditors in identifying unusual patterns, but it also emphasizes that deviations may arise from legitimate operational characteristics rather than fraud.
For example, an excessive number of expense claims beginning with 49 may indicate that employees are keeping claims below an approval limit of 5,000 baht. An unusual concentration of invoices beginning with particular digits may indicate repeated standard amounts, invoice splitting, fictitious billing, or merely a legitimate pricing structure. The result is therefore a signal for investigation, not a conclusion.
Benford’s Law works best when the population is sufficiently large, contains values spanning a broad range, and arises naturally without significant human restrictions. The analysis is generally more meaningful when applied to complete transaction-level populations rather than a small sample or highly aggregated financial statement balances.
It is normally inappropriate for employee numbers, purchase-order numbers, cheque numbers, bank-account numbers, telephone numbers, tax identification numbers, and other assigned identifiers. It may also be unsuitable for fixed monthly charges, regulated prices, standard selling prices, ATM withdrawals, transactions restricted by approval limits, small populations, or datasets in which most values fall within a narrow range.
Before conducting the analysis, the auditor must establish the completeness and accuracy of the population. A journal-entry population should be reconciled to the general ledger and should include all relevant entities, periods, journal types, users, currencies, and consolidation adjustments. A mathematically correct test performed on incomplete or incorrectly extracted data can provide misleading assurance.
The population should also be divided into meaningful groups. Combining payroll, sales, tax payments, depreciation, inventory purchases, and foreign-exchange transactions into one population may distort the analysis because the underlying processes are different. Separate tests by account, transaction type, business unit, user, vendor, location, or period may produce more useful results.
Auditors may perform first-digit, first-two-digit, or other digital-frequency tests. First-digit analysis provides a broad view of the population, while first-two-digit analysis can identify more specific concentrations, such as an unusual number of transactions beginning with 49 or 99. Digital analysis may also be combined with tests for repeated amounts, round numbers, duplicate transactions, and values immediately below approval thresholds.
The auditor should not rely solely on a statistical “pass” or “fail” result. A very large population may produce a statistically significant difference even when the practical deviation is small. The auditor should consider the size and location of the difference, the nature of the account, the entity’s business model, and whether a reasonable commercial explanation exists.
A deviation from Benford’s Law does not prove fraud. Legitimate repetitive transactions, standard prices, customer co-payments, tax rates, minimum order quantities, or system configurations may create unusual digit patterns. Conversely, a population that closely follows Benford’s Law is not necessarily free from fraud because manipulation may not affect numerical distribution, or the perpetrator may deliberately create amounts that appear natural.
Therefore, Benford results should be combined with other risk indicators, such as manual postings, unusual account combinations, entries made by senior management, transactions posted during weekends or late at night, round amounts, new vendors, duplicate bank accounts, rapid reversals, related-party transactions, dormant accounts, and entries close to year-end.
Items identified by the analysis must be traced to invoices, contracts, approvals, evidence of delivery, receipt of goods or services, payment records, and the appropriate accounting treatment. The auditor should also test selected transactions that were not flagged to evaluate whether the technique produced significant false negatives.
In 2027, Benford’s Law will remain relevant because audit teams will increasingly analyse entire populations using automated tools, data analytics, and AI. Its strength is that it is inexpensive, transparent, mathematically explainable, and relatively easy to reproduce. It may be used as one input within a broader AI anomaly-detection model that also considers users, timing, access rights, vendor relationships, transaction history, and accounting combinations.
At the international level, ISA 240 (Revised) applies to audits of financial statements for periods beginning on or after 15 December 2026. The revised standard strengthens the fraud lens applied during risk assessment and the auditor’s responses to identified fraud risks. It does not require the use of Benford’s Law, but digital analysis may support the auditor’s response when appropriate to the population and assessed risks.
Audit documentation should explain why the population was suitable, how its completeness and accuracy were established, which tests were performed, how expected frequencies were calculated, what deviations were identified, how the items were selected, and what evidence was obtained from the investigation.
In conclusion, Benford’s Law describes the tendency of smaller first digits to appear more frequently in many naturally occurring datasets. It will remain useful in auditing in 2027 as an explainable screening technique for identifying unusual numerical patterns. However, it is not a fraud detector by itself. Its value lies in directing the auditor’s attention toward transactions requiring further examination, while the actual audit conclusion must be supported by contracts, documents, confirmations, recalculations, and other sufficient appropriate audit evidence.
Benford’s Law คือหลักการทางคณิตศาสตร์เกี่ยวกับความถี่ของตัวเลขหลักแรกในชุดข้อมูลที่เกิดขึ้นตามธรรมชาติ หลักการนี้ระบุว่าตัวเลขหลักแรกไม่ได้เกิดขึ้นในสัดส่วนเท่ากัน แต่จำนวนที่ขึ้นต้นด้วยตัวเลขขนาดเล็กจะพบได้บ่อยกว่าจำนวนที่ขึ้นต้นด้วยตัวเลขขนาดใหญ่
คำว่า “ตัวเลขหลักแรก” ในที่นี้หมายถึงตัวเลขที่ไม่ใช่ศูนย์ตัวแรกเมื่ออ่านจำนวนจากซ้ายไปขวา ตัวอย่างเช่น 12,500 มีตัวเลขหลักแรกเป็น 1 จำนวน 786 มีตัวเลขหลักแรกเป็น 7 และจำนวน 0.0048 มีตัวเลขหลักแรกเป็น 4 โดยไม่นับศูนย์ที่อยู่ด้านหน้าตัวเลขดังกล่าว
ตาม Benford’s Law ความน่าจะเป็นที่จำนวนหนึ่งจะขึ้นต้นด้วยตัวเลข (d) คำนวณได้จากสูตรดังนี้
P(d)=\log_{10}\left(1+\frac{1}{d}\right)
ผลจากสูตรทำให้จำนวนประมาณร้อยละ 30.1 ควรขึ้นต้นด้วยเลข 1 ร้อยละ 17.6 ขึ้นต้นด้วยเลข 2 ร้อยละ 12.5 ขึ้นต้นด้วยเลข 3 และสัดส่วนจะลดลงเรื่อย ๆ จนเหลือประมาณร้อยละ 4.6 สำหรับเลข 9 ซึ่งแตกต่างจากความเข้าใจทั่วไปที่อาจคิดว่าตัวเลข 1 ถึง 9 ควรปรากฏเป็นหลักแรกในสัดส่วนใกล้เคียงกัน
ปรากฏการณ์นี้ถูกสังเกตครั้งแรกโดย Simon Newcomb ในปี 1881 และต่อมา Frank Benford ได้นำมาศึกษาอย่างละเอียดในปี 1938 โดยวิเคราะห์ตัวเลขประมาณ 20,000 รายการจากข้อมูลหลายประเภท จนเกิดรูปแบบการกระจายตัวแบบลอการิทึมที่เรียกกันอย่างแพร่หลายว่า Benford’s Law
คำอธิบายอย่างง่ายคือ ตัวเลขจำนวนมากในโลกธุรกิจไม่ได้เพิ่มขึ้นครั้งละจำนวนเท่ากัน แต่เติบโต สะสม หรือเกิดจากการคูณกันของหลายปัจจัย เช่น จำนวนสินค้าคูณราคาต่อหน่วย รายได้คูณอัตราค่านายหน้า หรือยอดเงินคูณอัตราดอกเบี้ย จำนวนต้องเคลื่อนผ่านช่วงตั้งแต่ 1,000 ถึง 1,999 ทั้งหมดก่อนที่ตัวเลขหลักแรกจะเปลี่ยนจาก 1 เป็น 2 ขณะที่ช่วงเชิงสัดส่วนของจำนวนที่ขึ้นต้นด้วย 9 แคบกว่า จึงทำให้ตัวเลขขนาดเล็กปรากฏเป็นหลักแรกบ่อยกว่า
คุณสมบัติที่น่าสนใจอีกประการหนึ่งคือการไม่ขึ้นอยู่กับหน่วยวัด หากประชากรเหมาะสมและเป็นไปตาม Benford’s Law การเปลี่ยนข้อมูลจากบาทเป็นพันบาท หรือแปลงเป็นเงินตราอื่นด้วยอัตราเดียวกัน ไม่ควรทำให้รูปแบบการกระจายของตัวเลขหลักแรกเปลี่ยนไปอย่างมีสาระสำคัญ อย่างไรก็ตาม หลักการนี้ไม่ได้ใช้ได้กับข้อมูลทุกประเภท
ในงานสอบบัญชี Benford’s Law ถูกนำมาใช้เป็นการวิเคราะห์รูปแบบตัวเลข โดยเปรียบเทียบความถี่ของตัวเลขที่เกิดขึ้นจริงกับความถี่ตามทฤษฎี หากพบการกระจุกตัวหรือการเบี่ยงเบนอย่างผิดปกติ ผู้สอบบัญชีสามารถใช้ผลดังกล่าวชี้เป้าไปยังบัญชี ผู้ขาย พนักงาน ผู้ใช้งานระบบ สาขา ช่วงเวลา หรือรายการที่ควรตรวจสอบเพิ่มเติม
ประชากรที่อาจนำมาวิเคราะห์ได้ ได้แก่ ใบแจ้งหนี้จากผู้ขาย ยอดขาย ค่าใช้จ่ายพนักงาน รายการซื้อ รายการจ่ายเงิน รายการบันทึกบัญชี ลูกหนี้ เจ้าหนี้ รายได้ ค่าใช้จ่าย และการเคลื่อนไหวของสินค้าคงเหลือ เนื่องจากจำนวนเงินในประชากรเหล่านี้มักเกิดจากการผสมกันของจำนวนสินค้า ราคา อัตรา ส่วนลด ระยะเวลา และกิจกรรมทางธุรกิจหลายประเภท งานวิจัยด้านบัญชีแสดงให้เห็นว่า Benford’s Law สามารถช่วยค้นหารูปแบบผิดปกติได้ แต่เตือนว่าความเบี่ยงเบนอาจเกิดจากลักษณะการดำเนินงานตามปกติ ไม่ได้เกิดจากการทุจริตเสมอไป
ตัวอย่างเช่น หากค่าใช้จ่ายพนักงานจำนวนมากเริ่มต้นด้วยเลข 49 อาจเป็นสัญญาณว่าพนักงานพยายามกำหนดค่าใช้จ่ายให้ต่ำกว่าวงเงินอนุมัติ 5,000 บาท แต่ก็อาจเกิดจากราคาสินค้าหรือบริการที่บริษัทใช้เป็นประจำอยู่ที่ประมาณ 4,900 บาท ดังนั้น ผลการวิเคราะห์เป็นเพียงสัญญาณให้ตรวจสอบต่อ ไม่ใช่ข้อสรุปว่ามีการทุจริต
Benford’s Law จะทำงานได้ดีเมื่อประชากรมีจำนวนรายการมากพอ มีมูลค่ากระจายอยู่หลายช่วง และตัวเลขเกิดขึ้นตามธรรมชาติโดยไม่มีบุคคลกำหนดข้อจำกัดมากเกินไป การใช้กับรายการทั้งประชากรมักให้ผลที่มีความหมายมากกว่าการใช้กับตัวอย่างขนาดเล็กหรือยอดรวมในงบการเงิน
ข้อมูลที่ไม่เหมาะสม ได้แก่ รหัสพนักงาน เลขที่ใบสั่งซื้อ เลขที่เช็ค เลขที่บัญชีธนาคาร หมายเลขโทรศัพท์ เลขประจำตัวผู้เสียภาษี หรือรหัสสินค้า เนื่องจากเป็นตัวเลขที่ถูกกำหนดขึ้น ไม่ใช่จำนวนเงินที่เกิดจากกิจกรรมทางเศรษฐกิจ นอกจากนี้ อาจไม่เหมาะกับค่าเช่าคงที่ ราคาขายที่กำหนดไว้ล่วงหน้า การถอนเงินจากตู้เอทีเอ็ม รายการที่ถูกจำกัดด้วยวงเงินอนุมัติ ประชากรขนาดเล็ก หรือข้อมูลที่จำนวนเงินส่วนใหญ่อยู่ในช่วงแคบ
ก่อนทำการวิเคราะห์ ผู้สอบบัญชีต้องตรวจสอบความครบถ้วนและความถูกต้องของประชากรเสียก่อน ตัวอย่างเช่น ประชากรรายการบันทึกบัญชีต้องกระทบยอดกับบัญชีแยกประเภท และควรครอบคลุมทุกบริษัท ทุกงวด ประเภทรายการ ผู้ใช้งาน สกุลเงิน และรายการปรับปรุงงบรวม การใช้สูตรที่ถูกต้องกับข้อมูลที่ดึงมาไม่ครบถ้วนย่อมให้ข้อสรุปที่ไม่น่าเชื่อถือ
ควรแบ่งประชากรเป็นกลุ่มที่มีลักษณะใกล้เคียงกัน ไม่ควรนำเงินเดือน ยอดขาย ค่าเสื่อมราคา การซื้อสินค้า ภาษี และผลต่างอัตราแลกเปลี่ยนมารวมอยู่ในประชากรเดียว เพราะรายการเหล่านี้เกิดจากกระบวนการและหลักการกำหนดจำนวนเงินที่แตกต่างกัน การวิเคราะห์แยกตามบัญชี ประเภทรายการ หน่วยธุรกิจ ผู้ใช้งาน ผู้ขาย สาขา หรือช่วงเวลาอาจให้ผลที่มีประโยชน์มากกว่า
การทดสอบอาจครอบคลุมตัวเลขหลักแรก ตัวเลขสองหลักแรก หรือการกระจายตัวเลขในตำแหน่งอื่น การตรวจหลักแรกช่วยให้เห็นภาพรวมของประชากร ส่วนการตรวจสองหลักแรกช่วยค้นหาการกระจุกตัวที่เฉพาะเจาะจงมากขึ้น เช่น จำนวนรายการที่ขึ้นต้นด้วย 49 หรือ 99 มากผิดปกติ นอกจากนี้ อาจวิเคราะห์ร่วมกับจำนวนเงินซ้ำ จำนวนเงินกลม รายการซ้ำ และรายการที่อยู่ต่ำกว่าวงเงินอนุมัติเพียงเล็กน้อย
ผู้สอบบัญชีไม่ควรพิจารณาเพียงว่าผลทางสถิติ “ผ่าน” หรือ “ไม่ผ่าน” สำหรับประชากรขนาดใหญ่มาก ผลต่างเพียงเล็กน้อยอาจมีนัยสำคัญทางสถิติ แต่ไม่มีความสำคัญในทางการสอบบัญชี ผู้สอบบัญชีต้องพิจารณาขนาดและตำแหน่งของผลต่าง ลักษณะบัญชี รูปแบบธุรกิจ และเหตุผลทางการค้าที่รองรับร่วมกัน
การเบี่ยงเบนจาก Benford’s Law ไม่ได้พิสูจน์ว่ามีการทุจริต รายการที่เกิดซ้ำ ราคามาตรฐาน อัตราภาษี จำนวนชำระร่วมของลูกค้า มูลค่าสั่งซื้อขั้นต่ำ หรือการตั้งค่าระบบ อาจทำให้ตัวเลขไม่เป็นไปตามรูปแบบได้ ในทางกลับกัน ประชากรที่เป็นไปตาม Benford’s Law ก็ไม่ได้หมายความว่าไม่มีการทุจริต เพราะการทุจริตบางประเภทไม่กระทบรูปแบบตัวเลข หรือผู้กระทำอาจสร้างจำนวนเงินที่ดูเป็นธรรมชาติ
ผลการวิเคราะห์จึงควรใช้ร่วมกับปัจจัยความเสี่ยงอื่น เช่น รายการบันทึกด้วยมือ คู่บัญชีผิดปกติ รายการที่ผู้บริหารระดับสูงเป็นผู้บันทึก รายการในวันหยุดหรือช่วงกลางคืน จำนวนเงินกลม ผู้ขายรายใหม่ บัญชีธนาคารซ้ำ การกลับรายการอย่างรวดเร็ว รายการกับบุคคลที่เกี่ยวข้อง บัญชีที่ไม่มีการเคลื่อนไหว และรายการที่บันทึกใกล้วันสิ้นงวด
รายการที่ถูกชี้เป้าต้องนำไปตรวจใบแจ้งหนี้ สัญญา การอนุมัติ หลักฐานส่งมอบ หลักฐานรับสินค้าหรือบริการ รายการจ่ายเงิน และวิธีบันทึกบัญชี ผู้สอบบัญชีควรเลือกตรวจบางรายการที่ระบบไม่ได้แจ้งเตือนด้วย เพื่อประเมินว่า Benford’s Law พลาดรายการเสี่ยงที่สำคัญหรือไม่
ในปี 2027 Benford’s Law ยังมีบทบาท เพราะทีมสอบบัญชีจะใช้การวิเคราะห์ข้อมูล เครื่องมืออัตโนมัติ และ AI กับประชากรทั้งชุดมากขึ้น จุดแข็งของ Benford’s Law คือใช้ต้นทุนไม่สูง อธิบายหลักการได้ ตรวจสอบซ้ำได้ และมีความโปร่งใสมากกว่าแบบจำลอง AI บางประเภท
Benford’s Law อาจถูกนำไปใช้เป็นตัวแปรหนึ่งในแบบจำลองค้นหาความผิดปกติ โดย AI สามารถนำผลการกระจายตัวเลขไปรวมกับข้อมูลผู้บันทึก เวลาทำรายการ สิทธิในระบบ ความสัมพันธ์กับผู้ขาย ประวัติรายการ และคู่บัญชี อย่างไรก็ตาม ผู้สอบบัญชียังต้องเข้าใจว่าปัจจัยแต่ละตัวส่งผลต่อคะแนนความเสี่ยงอย่างไร และต้องตรวจรายการต้นทางต่อไป
ในระดับสากล ISA 240 ฉบับปรับปรุงมีผลสำหรับการตรวจสอบงบการเงินของรอบระยะเวลาที่เริ่มตั้งแต่วันที่ 15 ธันวาคม 2026 เป็นต้นไป โดยเพิ่มความสำคัญของมุมมองด้านทุจริตในการประเมินความเสี่ยงและการออกแบบวิธีตอบสนอง มาตรฐานไม่ได้กำหนดให้ต้องใช้ Benford’s Law แต่การวิเคราะห์ตัวเลขอาจเป็นหนึ่งในวิธีที่เหมาะสมสำหรับประชากรและความเสี่ยงบางประเภท
กระดาษทำการควรอธิบายเหตุผลที่ประชากรเหมาะสม วิธีตรวจความครบถ้วนและความถูกต้อง ประเภทการทดสอบ วิธีคำนวณความถี่ที่คาดไว้ ความผิดปกติที่พบ หลักเกณฑ์เลือกรายการ และผลการตรวจสอบเอกสารประกอบอย่างชัดเจน
โดยสรุป Benford’s Law คือหลักการที่ระบุว่าตัวเลขขนาดเล็กมีแนวโน้มปรากฏเป็นหลักแรกของข้อมูลที่เกิดขึ้นตามธรรมชาติบ่อยกว่าตัวเลขขนาดใหญ่ หลักการนี้ยังมีประโยชน์ในการสอบบัญชีปี 2027 ในฐานะเครื่องมือคัดกรองรูปแบบตัวเลขที่ผิดปกติและช่วยชี้เป้าการตรวจสอบ แต่ไม่ใช่เครื่องมือยืนยันการทุจริต หลักฐานการสอบบัญชีที่แท้จริงยังต้องมาจากการตรวจสัญญา เอกสาร การอนุมัติ หนังสือยืนยัน การคำนวณ และหลักฐานอื่นที่เหมาะสมอย่างเพียงพอ
